Analyse der Verkaufsprognose in der Filiale

Die Absatz- und Umsatzzahlen für jedes einzelne Produkt werden jetzt von großen Supermarktzentralen, den so genannten Big Marts, verfolgt, um den möglichen Inlandsverbrauch vorherzusagen und die Bestandskontrolle zu überprüfen. Bei der Untersuchung des Datenbankservers des Data Warehouse werden häufig Unstimmigkeiten und allgemeine Muster festgestellt. Diese Statistiken können von Unternehmen wie Big Mart genutzt werden, um mit Hilfe verschiedener Methoden des maschinellen Lernens potenzielle Produktverkäufe zu prognostizieren. In diesem Projekt haben wir mehrere Algorithmen des maschinellen Lernens wie lineare Regression, Ridge-Regression, Lasso-Regression, Entscheidungsbaum-Regression, Random-Forest-Regression, Support-Vector-Regressor, Adaboost-Regressor, XGBoost-Regression verwendet, um die Verkäufe der Produkte im Big Mart vorherzusagen. Wir stellen fest, dass von den genannten Algorithmen XGBoost Regression am besten bei der Vorhersage des Verkaufsvolumens funktioniert. Daher haben wir ein Modell mit XGBoost Regression erstellt und es feinabgestimmt, um die Genauigkeit weiter zu verbessern.